1 Inleiding
Een analyse van kansengelijkheid in studiesucces (Retentie na 1 jaar)
In deze analyse onderzoeken we Retentie na 1 jaar voor de opleiding B Communication and Multimedia Design (Synth) (CMD), voltijd, eerstejaars, van de faculteit IT & Design (ITD).
1.1 Onderzoek naar kansengelijkheid
Het lectoraat Learning Technology & Analytics (LTA) van De Haagse Hogeschool heeft tot doel kansengelijkheid voor studenten te verhogen met behulp van learning analytics en inzet van learning technology.
Het lectoraat heeft een onderzoeksmethode ontwikkeld om te kunnen analyseren of er sprake is van bias in studiedata in relatie tot het succes van studenten, wat een indicatie kan zijn van een gebrek aan kansengelijkheid. Deze methode gebruikt prognosemodellen op basis van machine learning. Een prognosemodel is dus niet een doel op zich, maar het instrument voor een analyse van kansengelijkheid, ook wel een fairness analyse genoemd.
Over deze methode heeft de lector, Dr. Theo Bakker, zijn intreerede uitgesproken op 21 november 2024, getiteld: ‘No Fairness without Awareness. Toegepast onderzoek naar kansengelijkheid in het hoger onderwijs. Intreerede lectoraat Learning Technology & Analytics.’ (Bakker, 2024). Zie voor een verdere toelichting op het gehele onderzoeksprogramma: ‘No Fairness without Awareness’.
1.2 Het nut van prognosemodellen
Prognosemodellen kunnen inzicht bieden in de factoren die gecorreleerd zijn aan de uitval of - als tegenhanger - de retentie van studenten. Met deze inzichten kan een opleiding interventies ontwikkelen om uitval te verminderen of te voorkomen en retentie te bevorderen. Denk aan een betere voorlichting, onboarding, begeleiding of ontwikkeling van het onderwijs.
Voor de uitleg van de toepassing van deze methode om kansengelijkheid op te sporen is retentie beter te volgen dan uitval. Vandaar dat we in deze analyse retentie na 1 jaar als uitkomstvariabele nemen.
De prognosemodellen die we in deze analyses ontwikkelen zijn bedoeld om de dynamiek in het studiesucces van studenten een opleiding beter te begrijpen om kansengelijkheid te bevorderen.
Deze modellen mogen op geen enkele wijze gebruikt worden om individuele studenten te beoordelen of hun succes te voorspellen.
1.3 Opbouw analyse
Deze analyse kent drie hoofdstukken:
- Hoofdstuk 2: Kansengelijkheid - De uitkomsten van analyse op bias en kansengelijkheid.
- Hoofdstuk 3: Factoranalyse - Een verdiepende analyse op de achterliggende factoren.
- Hoofdstuk 4: Prognosemodel retentie na 1 jaar - De ontwikkeling van een aantal achterliggende prognosemodellen om retentie na 1 jaar te voorspellen, waaruit het best presterende model wordt gekozen.
1.4 Vragen of suggesties
Heb je vragen of suggesties over deze analyse? Neem dan contact op met Theo Bakker via 06-25637172 of per mail via t.c.bakker@hhs.nl.
Verantwoording
Deze analyse maakt deel uit van het onderzoek naar kansengelijkheid van het lectoraat Learning Technology & Analytics van De Haagse Hogeschool: No Fairness without Awareness | Het rapport is door het lectoraat ontwikkeld in Quarto 1.6.39.
Creative Commons Licentie
De licentie voor dit template is de Creative Commons Attribution Share Alike 4.0 Internationaal.